MLContext(Nullable<Int32>) Constructor

Definición

Espacio de nombres:

Microsoft.ML

Ensamblado:

Microsoft.ML.Data.dll

Paquete:

Microsoft.ML v2.0.0

Cree el contexto de ML.

public MLContext (int? seed = default);

new Microsoft.ML.MLContext : Nullable<int> -> Microsoft.ML.MLContext

Public Sub New (Optional seed As Nullable(Of Integer) = Nothing)

Parámetros

seed

Nullable<Int32>

Inicialización del generador de números aleatorios de MLContext. Consulte la sección de comentarios para obtener más detalles.

Comentarios

Muchas operaciones de ML.NET requieren aleatoriedad, como la orden aleatoria de datos, el muestreo aleatorio, la inicialización de parámetros aleatorios, la permutación aleatoria, la selección de características aleatorias y muchas más. El generador de números aleatorios de MLContext es la fuente global de aleatoriedad para todas esas operaciones aleatorias.

Si un valor de inicialización fijo lo proporciona seed, el entorno de MLContext se convierte en determinista, lo que significa que los resultados se pueden repetir y permanecerán iguales en varias ejecuciones. Por ejemplo, en muchos de los fragmentos de código de ejemplo de referencia de la API de ML.NET, se proporciona una inicialización. Esto se debe a que queremos que los usuarios obtengan la misma salida que lo que se incluye en comentarios de ejemplo, cuando ejecutan el ejemplo en su propio equipo.

Por lo general, la repetibilidad no es un requisito y ese es el comportamiento predeterminado. Si un valor de inicialización no lo proporciona seed, es decir, se establece nullen , el entorno de MLContext se convierte en no determinista y las salidas cambian en varias ejecuciones.

Hay muchas operaciones en ML.NET que no usan ninguna aleatoriedad, como la normalización mínima máxima, la concatenación de columnas, la indicación de valor que falta, etc. El comportamiento de esas operaciones es determinista independientemente del valor de inicialización.

Además, ML.NET entrenadores no usan aleatoriedad *después de que finalice el entrenamiento. Por lo tanto, las predicciones de un modelo cargado no dependen del valor de inicialización.